Нейросетевое прогнозирование фугасности индивидуальных взрывчатых веществ

Тип работы:
Реферат
Предмет:
Экономические науки


Узнать стоимость

Детальная информация о работе

Выдержка из работы

ИНФОРМАТИКА, ВЫЧИСЛИТЕЛЬНАЯ ТЕХНИКА И УПРАВЛЕНИЕ
УДК 004. 8
С. А. Ляшева, М. П. Шлеймович, А. П. Кирпичников, О. Д. Гришина
НЕЙРОСЕТЕВОЕ ПРОГНОЗИРОВАНИЕ ФУГАСНОСТИ
ИНДИВИДУАЛЬНЫХ ВЗРЫВЧАТЫХ ВЕЩЕСТВ
Ключевые слова: фугасность, фугасное действие, взрывчатые вещества, быстропротекающие процессы, прогнозирование параметров быстропротекающих процессов, прогнозирование фугасности, нейросетевое прогнозирование.
Рассмотрены вопросы применения нейронных сетей для прогнозирования фугасности индивидуальных взрывчатых веществ. Приведены результаты сравнения экспериментальных значений фугасности и значений, полученных при нейросетевом моделировании.
Keywords: high-explosive, explosive action, explosives, fast processes, forecasting parameters offast processes, forecasting explosive,
neural network forecasting.
The problems of application of neural networks to predict the individual explosive explosives. The results of the comparison of the experimental values of high explosive and the values obtained with the neural network modeling.
В последние время активно развиваются методы моделирования, основанные на аппарате искусственных нейронных сетей [1]. Нейронные сети успешно применяют в самых различных сферах человеческой деятельности, например, финансовой, медицинской, военной, химической,
робототехнической, геоинформационной и др. Их используют практически везде, где нужно решать задачи, связанные с принятием решений.
В данной работе представлены результаты прогнозирования с помощью нейронных сетей одного из параметров быстропротекающих процессов — фугасности.
Фугасность характеризует один из основных видов внешней работы взрыва — фугасное действие, которое проявляется в форме раскалывания и отбрасывания среды, в которой происходит взрыв [2].
Фугасностью называется способность взрывчатых веществ к разрушительному действию за счет расширения продуктов взрыва до сравнительно невысоких давлений и прохождения по среде ударной волны.
Очень часто фугасность называют работоспособностью взрывчатого вещества. В качестве меры фугасности в теоретических расчетах используют потенциал взрывчатого вещества или его удельную энергию. Однако фугасность и удельная энергия взрывчатого вещества не являются тождественными понятиями, поскольку кроме потенциала или удельной энергии на фугасное действие оказывают существенное влияние такие характеристики, как удельный объем и состав газообразных продуктов взрыва. Учитывая это, фугасность оценивают условными характеристиками, определяемыми по результатам проведения экспериментов.
Для практической оценки фугасности используют так называемую пробу на расширение свинцовой бомбы. Заряд испытуемого взрывчатого вещества массой 10 г взрывают в цилиндрическом канале свинцовой бомбы определенных размеров.
После взрыва канал расширяется и приобретает грушевидную форму. Мерой фугасности принимается изменение объема канала.
Теоретическое исследование полной работы взрыва было впервые проведено русским ученым И. М. Чельцовым, а затем получило дальнейшее развитие в работах А. Ф. Беляева. Чельцов рассматривал работу взрыва как работу адиабатного расширения продуктов взрыва. По А. Ф. Беляеву, величина практической работоспособности пропорциональна работе адиабатного расширения продуктов взрыва при определенной степени этого расширения, зависящей от условий взрыва и характера производимой работы. Определить работоспособность по этому принципу можно с помощью баллистического маятника. Однако, как указывает К. К. Андреев, практическое использование метода баллистического маятника для определения работоспособности взрывчатого вещества требует преодоления многих трудностей. Поэтому в промышленности для оценки работоспособности наибольшее распространение имеет метод, при котором изменяется расширение, образуемое взрывом в свинцовой бомбе. Для этой цепи применяют свинцовую бомбу с цилиндрическим гнездом. В бумажную гильзу бомбы помещают 10 г взрывчатого вещества и прессуют в специальной матрице в виде патрона с гнездом для капсюля — детонатора или электродетонатора. Патрон с капсюлем вводят в гнездо бомбы. Свободный объем гнезда засыпают кварцевым песком. При взрыве гнездо бомбы расширяется и приобретает грушевидную форму. Разность между объемом гнезда до и после взрыва является практической мерой работоспособности испытуемого взрывчатого вещества [3].
Из представленного выше описания видно, что фугасность определяют, в основном, экспериментально. Проведение эксперимента
связано с обеспечением безопасности и финансовыми затратами.
Очевидно, что сократить финансовые затраты и обеспечить безопасность людей при определении фугасности можно за счет проведения вычислительных экспериментов на компьютере. При этом получение даже приблизительных результатов с погрешностью дает ориентацию для планирования дальнейших исследований данного параметра. Поэтому подходы, базирующиеся на компьютерном моделировании, позволяющим проводить анализ процессов и делать выводы относительно их параметров на основании расчетно-теоретических представлений, актуальны и практически значимы [4].
Одним из перспективных направлений представляется получение модели, позволяющей прогнозировать фугасность по значениям параметров взрывчатых веществ и процесса взрыва. В этом случае можно обучить систему прогнозирования с помощью обучающей выборки. Данное обучение и последующее прогнозирование можно эффективно осуществить посредством применения нейронной сети.
Для построения нейросетевой модели, обучения нейронной сети и тестирования ее способности к прогнозированию была создана электронная база данных, в состав которой по результатам изучения открытых источников включены 48 индивидуальных взрывчатых веществ. В этой базе данных исходными параметрами являлись: количество углерода, количество водорода, количество кислорода, количество азота, молярная масса, кислородный баланс, плотность, объем продуктов взрыва, фугасность (полученная экспериментально).
В состав базы данных вошли следующие вещества:
— Октоген,
— Тетрил,
— Гексаген,
— ЭДНА,
— Нитрогуанидин,
— Нитрокарбомид,
и др.
Для построения нейросетевой модели и прогнозирования был использован пакет прикладных программ 81аЙ8Иса [5]. Данный пакет содержит большое количество эффективных средств интерактивного анализа данных. В нем реализованы методы статистической обработки, кластеризации и классификации информации, в том числе и базирующиеся на аппарате нейронных сетей. С помощью пакета Statistica в настоящее время создаются интеллектуальные системы поддержки принятия решений в различных областях человеческой деятельности, таких, как экономика, маркетинг, финансы, промышленность, медицина и др. Однако его существенным недостатком является высокая стоимость лицензии, которая составляет свыше сотни тысяч рублей (конкретная стоимость зависит в зависимости от модификации).
При построении нейронной сети использовались следующие эвристические правила [6]:
1. Для обеспечения качественного обучения нейронной сети общее количество связей в ней должно быть значительно (примерно на порядок) меньше количества элементов обучающего множества. Иначе может возникнуть эффект переобучения, когда нейронная сеть просто запоминает данные, а не обобщает их-
2. Как правило, на практике необходимые результаты можно получить с помощью нейронной сети с одним скрытым слоем, число нейронов которого определяет ее нелинейный характер-
3. Любые отображения входного сигнала в выходной могут быть получены посредством двухслойных нейронных сетей с сигмоидальными функциями активации-
4. Рекомендуется использовать порядок нелинейности нейронов, равный единице-
5. Не существует четкой методики для определения количества нейронов в скрытых слоях. Это означает, что количество нейронов в скрытом слое конкретной нейронной сети для конкретной задачи необходимо определять путем проведения экспериментов. Данный факт связан с тем, что количество нейронов зависит от количества обучающих примеров. Например, в случае малого числа обучающих примеров и большого числа нейронов возникает эффект переобучения (см. п. 1), а в случае большого числа обучающих примеров и малого числа нейронов сеть никогда не обучится.
Построенная согласно указанным правилам нейронная сеть для прогнозирования фугасности имеет вид, показанный на рис. 1. Процесс обучения нейронной сети приведен на рис. 2. Результаты прогнозирования ряда веществ содержатся в таблице 1.
Рис. 1
Рис. 2
Таблица 1
Вещество Фугасность, Фугасность,
мл мл
(Эксперимент) (Прогноз)
Октоген 450 434,4
ЭДНА 440 408,1
Нитрогуани-дин 300 334,8
ДИНА 480 453,8
2,4,6- Тринит-
роксилол 270 294,6
Динитрона-фталин 100 100,7
Гексил 325 355,7
Гексанитро-стильбен 300 227,8
ТЭН 500 467,8
Нитроманнит 490 489,5
Динитроди-
этиленгликоль 425 433,1
Триэти-
ленгликольди-
нитрат 320 324,3
Нитроизобу-
тилглицерин-тринитрат 540 491,9
Дитринитро-
этилнитрамин 496 480,3
Бензотрифу-роксан 450 455,6
Тетранитро-анилин 430 418,9
Тетрил 390 384,9
Диэтанолнит- раминдинит- рат 480 490,1
Проведенные эксперименты показали, что погрешность прогнозирования в среднем составляет около 30%, что связано с отдельными значительными выбросами. Однако для большинства веществ результаты прогноза сопоставимы с экспериментальными данными.
Таким образом, применение нейронной сети позволяет получить ориентировочные значения для оценки параметра фугасности без использования дорогостоящих и опасных экспериментов. Следует отметить, что исследовательские работы в данном направлении продолжаются.
Литература
1. Илларионов, М. Г. Прогнозирование на основе аппарата нейронных сетей / М. Г. Илларионов, А. П. Кирпичников, Р. Р. Латыпова Вестник Казанского технологического университета. 2012. — Т. 15. № 1. — С. 163−164.
2. Горст, А. Г. Пороха и взрывчатые вещества. — М.: Машиностроение, 1972. — 208 с.
3. Андреев, К. К. Теория взрывчатых веществ / К. К. Андреев, А. Ф. Беляев. — М.: Оборонгиз, 1960. — 594 с.
4. Кирпичников, А. П. Автоматизированная система моделирования параметров быстропротекающих процессов / А. П. Кирпичников, С. А. Ляшева, О. Т. Шипина // Вестник Казанского технологического университета. 2014. — Т. 17. № 13. — С. 349−352.
5. Боровиков, В. П. Нейронные сети. Statistica Neural Networks. Методология и технологии современного анализа данных. Издание 2-е, перераб. и доп. — М.: Горячая линия-Телеком, 2008. — 392 с.
6. Федотов, В. Х. Нейронные сети в MS Excel: Метод. указания к практ. занятиям и лаб. работам — Чебоксары: Чуваш. ун-т, 2004. 72 с.
© С. А. Ляшева — к.т.н., доцент кафедры прикладной математики и информатики КНИТУ-КАИ, stellyash@mail. ru- М. П. Шлеймович — к.т.н., доцент кафедры автоматизированных систем обработки информации и управления КНИТУ-КАИ, shlch@mail. ru- А. П. Кирпичников — д. ф. -м. н., зав. каф. интеллектуальных систем и управления информационными ресурсами КНИТУ, kirpichnikov@kstu. ru- О. Д. Гришина — студент КНИТУ-КАИ, assemblera@gmail. com.
© S. A. Lyasheva — PhD, Associate Professor of the Department of Applied Mathematics & amp- Informatics, KNRTU-KAI, stellyash@mail. ru- M. P. Shleymovich — PhD, Associate Professor of the Department of Automated Information Processing Systems & amp- Control, KNRTU-KAI, shlch@mail. ru- A. P. Kirpichnikov — Dr. Sci, Head of the Department of Intelligent Systems & amp- Information Systems Control, KNRTU, kirpichnikov@kstu. ru- O. D. Grishina — Student KNRTU-KAI, assemblera@gmail. com.

ПоказатьСвернуть
Заполнить форму текущей работой